AI 검색 노출 측정 방법 — 등장률·점유율·인용을 읽는 법
XeoLab 편집팀 · 최종 수정 2026-10-07 · 읽는 시간 약 7분
핵심 요약
AI 노출 측정은 '소비자가 실제로 묻는 질문 묶음'을 정해 매일 여러 AI에 던지고, 답변마다 브랜드 언급 여부·순서·경쟁사 언급·인용 출처를 기록해 집계하는 방식입니다. 핵심 지표는 등장률(답변 중 언급된 비율), 언급 순서, 점유율(경쟁사 대비), 인용 출처 네 가지이며, 하루 변화보다 주 단위 추세로 읽어야 합니다.
1단계 — 질문 설계
좋은 추적 질문은 '의도 + 맥락'입니다. '치과 추천'이 아니라 '강남에서 임플란트 잘하는 치과 추천'처럼 실제 소비자 문장에 가깝게 씁니다. 정보형 질문('임플란트 기간은?')은 브랜드 맥락이 없으면 아예 브랜드가 등장하지 않으므로, 추천형·비교형 질문을 섞어야 합니다.
같은 뜻의 표현 변형을 여러 개 넣기보다 비용·지역·시술·후기처럼 서로 다른 의도를 넓게 잡습니다. 구글이 설명하듯 AI는 질문을 하위 주제로 쪼개 검색하므로, 우리 질문 묶음도 그 하위 주제를 덮어야 합니다.
2단계 — 측정 주기와 반복
AI 답변에는 무작위성이 있어 하루 한 번 측정은 흔들립니다. OpenAI는 API 출력이 기본적으로 비결정적이라고 명시하고, 같은 프롬프트를 반복한 연구에서는 문제의 절반 이상에서 동일한 출력이 한 번도 나오지 않았습니다. 하루에 시간대를 나눠 여러 번 측정하고 일 단위로 묶은 뒤, 주 단위 추세로 판단합니다.
3단계 — 네 가지 지표
답변 하나하나를 아래 기준으로 기록해 합산합니다.
- 등장률: 전체 답변 중 우리 브랜드가 언급된 답변의 비율. 질문별·모델별로 쪼개 약한 곳을 찾습니다.
- 언급 순서: 답변 안에서 몇 번째로 나왔는가. 추천 3곳 중 첫 번째와 세 번째는 다릅니다.
- 점유율(SoV): 등장한 전체 브랜드 언급 중 우리 비율. 경쟁사 목록이 바뀌면 이전과 단순 비교 금지.
- 인용 출처: 답변이 근거로 단 페이지·도메인. 우리 사이트뿐 아니라 우리를 말하는 외부 출처가 어디인지가 개선 지도입니다.
흔한 오독 세 가지
- '출처에 달렸으니 언급됐다' — 아닙니다. 인용과 언급은 따로 셉니다.
- '인용률 1.6 = 160%' — 인용률은 비율이라 1을 넘을 수 있으며 퍼센트가 아닙니다.
- '호감도 평균이 낮다' — 언급이 없는 답변을 0점으로 섞어 평균 내면 왜곡됩니다. 언급된 답변만으로 계산합니다.
API 응답과 실제 화면은 다를 수 있다
같은 질문이라도 개발자 API로 받은 답과 사용자가 앱에서 보는 답은 검색 여부·출처 표시가 다를 수 있습니다. 소비자가 보는 결과를 재려면 실제 화면 기준의 수집이 필요하며, 어떤 조건(계정·지역·시간)에서 수집했는지를 함께 기록해야 비교가 됩니다.
자주 묻는 질문
무료 간이 진단과 정식 측정의 차이는?
간이 진단은 한 AI에 한 번 물어본 참고용 결과입니다. 정식 측정은 질문 묶음을 여러 AI에 매일 반복해 추세·경쟁사 비교·인용 출처까지 냅니다.
몇 개 질문을 추적해야 하나요?
업종과 상품 수에 따라 다르지만, 의도가 서로 다른 질문 20개 안팎이면 추세를 읽을 수 있습니다. 같은 뜻의 변형보다 다른 의도를 넓게 잡는 게 중요합니다.
출처
A = 플랫폼 공식·방법 공개 연구 · B = 방법을 밝힌 벤더/실무 연구 · C = 방법·출처 없는 주장. 이 글은 A·B 출처의 사실만 수치로 씁니다.
- A · 공식/방법 공개Google 공식 블로그 — AI in Search: Going beyond information to intelligence (2025-05-20)
- A · 공식/방법 공개OpenAI Cookbook — Reproducible outputs with the seed parameter— 'non-deterministic by default' 공식 문구
- A · 공식/방법 공개Ouyang 외, 「An Empirical Study of the Non-determinism of ChatGPT in Code Generation」, ACM TOSEM (arXiv 2308.02828)— 코드 생성 도메인 — 'LLM 출력은 같은 입력에도 달라진다'의 일반 근거로만
- A · 공식/방법 공개Liu·Zhang·Liang, 「Evaluating Verifiability in Generative Search Engines」, Findings of EMNLP 2023 (arXiv 2304.09848)— Bing Chat·Perplexity 등 4개 엔진 인간 평가(2023)